StarNet:风格感知的三维点云生成
计算机视觉与模式识别
2023-03-29 v1 图像与视频处理
摘要
本文研究三维点云重建与生成这一开放研究任务。现有大多数三维生成模型的工作直接以高斯先验作为解码器输入来生成三维点云,无法学习解耦的潜码,导致插值结果含噪。大多数基于 GAN 的模型无法判别局部几何,致使生成的点云在物体表面分布不均,从而降低点云生成质量。此外,主流方法采用计算密集型框架,如基于流的模型与马尔可夫链,在训练阶段耗费大量时间与资源。为解决这些局限,本文提出一种统一的风格感知网络架构 StarNet,结合逐点距离损失与对抗损失,能够通过映射网络在映射潜空间中有效将高斯先验与输入的高层属性解耦,从而生成逼真插值对象,实现高保真三维点云的重建与生成。实验结果表明,我们的框架在点云重建与生成任务的多项指标上取得了可与 SOTA 媲美的性能,但模型规模更轻量,所需参数更少,训练时间更短。
引用
@article{arxiv.2303.15805,
title = {StarNet: Style-Aware 3D Point Cloud Generation},
author = {Yunfan Zhang and Hao Wang and Guosheng Lin and Vun Chan Hua Nicholas and Zhiqi Shen and Chunyan Miao},
journal= {arXiv preprint arXiv:2303.15805},
year = {2023}
}